1.一种基于因果图注意力神经网络的复杂机电系统故障检测方法，其特征在于：其包括以下步骤；S1：结合已知的因果关系与基于约束的因果发现方法，以复杂机电系统监测变量数据为输入，构建系统监测变量的因果关系图，其具体包括以下子步骤：S11：根据已有知识确定因果路径约束和因果方向约束；S12：生成因果图骨架，并根据因果路径约束添加或删除相应的边；S13：进行数据预处理将所有数据转换为数值类型，再利用基于约束的因果发现算法继续搜索构建因果图，并根据因果方向约束添加相应的边；S14：验证因果发现结果是否满足已知关系约束，若满足则输出结果因果图；若不满足则调整基于约束的因果发现算法的参数阈值并重新回到步骤S12；S2：利用因果图注意力神经网络对因果图节点表征进行提取和学习，其具体包括以下子步骤：S21：计算基于因果关系的注意力系数：每个节点的输入特征 通过可训练参数 变换至 维， 且为正整数，F表示原始特征的维数,再对每个因果机制下的原因-结果节点对应用基于因果的注意力机制，并通过非线性激活函数及标准化后得到因果对间注意力系数，如式（1）所示，其中 表示节点 是节点 的父节点，即节点 是节点 的原因变量， 表示特征拼接操作，LeakyReLU为非线性激活函数；对于没有父节点的节点，定义其注意力系数为 且 ， ； （1）；式中， , 为可训练参数； 、 分别表示节点 、 的输入特征，并且节点 是 的原因变量； 表示将节点 、 的输入特征 、 通过可训练参数 变换至M维并进行拼接后，再使用可训练参数 变换至1维；S22：利用多头因果注意力机制生成节点表征：每个节点的表征表示为其所有父节点，即原因变量特征的线性加权，并采用多头注意力机制，以充分提取特征如式（2）所示，其中 表示节点 的新生成表征； 表示激活函数, 和 分别代表在第 头注意力中，子节点 与其一个父节点 之间的注意力系数，以及第 头注意力中的可训练变换参数； 表示注意力机制总头数；至此，每个节点生成的新表征共包括 个维度； (2) ；S3：将各因果图注意力神经网络层在步骤S2中提取的节点表征相加，并针对各节点表征计算其在不同注意力机制下的独立支持评分IOSS，如式（3）所示，其中 表示所有节点的数量, 表示节点 的表征, 代表计算结果中针对变量 的 分位的对应数值： (3) ；式中， 为 维向量，表示节点特征的独立支持理论联合分布的 次随机抽样的第 次，该理论联合分布通过计算 的联合分布得到，其中 表示经最大-最小值归一化后节点 的第 维表征； 和 表示 的具体数值； 表示节点 的新生成表征，包括 个维度；S4：将所有节点提取的特征输入平坦层进行拼接，拼接的特征输入到包含隐藏层和1层输出层的全连接神经网络，全连接神经网络中的激活函数对特征进行非线性处理，输出层负责输出复杂机电系统的故障检测结果。
2.根据权利要求1所述的基于因果图注意力神经网络的复杂机电系统故障检测方法，其特征在于：所述步骤S11中因果路径约束指的是通过已有知识确定变量 和 之间存在或不存在直接因果关系，即约束因果图节点 和 间是否存在边；因果方向约束指的是通过已有知识确定变量 是引起变量 原因，即约束因果图节点 是 的祖先节点。
3.根据权利要求1所述的基于因果图注意力神经网络的复杂机电系统故障检测方法，其特征在于：所述步骤S13中基于约束的因果发现算法具体为PC算法。
4.根据权利要求1所述的基于因果图注意力神经网络的复杂机电系统故障检测方法，其特征在于：步骤S4在模型训练过程中，其损失函数包括两部分：即模型输出故障检测结果与真实结果的交叉熵CE损失和模型提取节点特征计算得到的独立支持评分IOSS损失，交叉熵的计算公式如式（4）所示，模型训练的总损失如式（5）所示，通过计算独立支持评分作为约束，能够提高各节点提取特征的因果分离性，从而有利于缓解过度平滑问题、提高各节点特征提取的性能，其中 表示输入数据样本数, 表示系统特征的类别数, 和 分别代表真实系统状态和预测系统状态， 是两项损失的平衡系数； ； ；其中， 为交叉熵损失，L为模型训练的损失函数。
5.根据权利要求1所述的基于因果图注意力神经网络的复杂机电系统故障检测方法，其特征在于：基于因果图注意力神经网络利用Adam算法优化，步骤S21中维数 、步骤S22中因果注意力机制的头数 、步骤S3中分位数 及S4隐藏层层数和神经元个数通过网格搜索法确定。
